监测预测

监测预测（共10篇）

监测预测 篇1

0 引言

作为一种清洁能源,风能的利用逐渐成为国家可持续发展的重要战略组成。受限于风能的分布,风电场大多分布在自然环境相对较恶劣的区域,加之风电机组复杂的机械结构等因素,各个部件极易被损坏[1,2]。如果能够在故障发生的初始阶段检测到异常情况,并及时进行维修,可大大降低严重故障发生的概率,进而减少风电机组运行维护成本,提高风电场运行的经济效益。因此,风电机组状态监测和故障预测系统的研发是非常必要的。

目前,风力发电技术尚处于发展阶段,关于风电机组状态监测和故障预测的研究不够深入。文献[3,4]利用统计分析方法分析大量的风电机组风速、温度等特征量离线运行数据,提取某些有规律的指标参数,与出厂设计标准值进行对比,以达到实现风电机组状态监测的目的。另外,现有对风电机组的故障预测多是基于SCADA监测数据信息开展研究,如文献[5]充分考虑风电机组各部件或子系统之间的相互作用和耦合关系,利用SCADA历史运行数据中的连续量监测数据进行故障预测。这些方法都需要大量的监测数据,运算复杂度较高,监测分析实时性较差。

风电机组状态监测技术主要涵盖振动分析、油液监测、热成像技术和过程参数监视等[6]。由于风电机组振动故障发生概率最高[7],振动信号所包含的信息量最大且实时性较好,因此,该系统采用振动分析法监测风电机组运行状态,并预测各部件的故障趋势。

本文介绍了该系统的主要组成部分,并对各部分功能进行阐述;对系统中包含的时域与频域分析方法进行仿真分析,验证所采用方法的可行性;对研发系统在某风电场捕捉到的异常信号进行分析,验证了研发系统在实际应用中的有效性。

1 振动监测与故障预测系统组成

1.1 基本思想

风电机组振动监测与故障预测系统主要由振动信号采集模块、风电场监控中心及远程监控诊断中心3部分组成。每台风电机安装若干振动信号采集模块,单个振动信号采集模块采集4路振动信号,经由网线或WIFI发送到网络中,光纤交换机将电信号转换为光信号,经由光纤将原始振动信号传输到风电场监控中心;风电场监控中心实时显示测得的振动信号,并存储分析;远程监控诊断中心通过VPN服务器与风电场监控中心建立联系,并调用振动信号数据,对存在异常的风电机组进行故障诊断分析。整个监测系统通过以太网建立连接,其中风电机组振动信号采集系统的网络拓扑结构如图1所示。

1.2 振动信号采集模块

作为风力发电机组振动监测系统中的核心智能单元,振动信号采集模块主要用于振动信号的采集、硬件滤波和信号传输控制等。振动信号采集模块具有4路信号采集通道,每个通道包含有信号调理电路和信号采集电路,并通过内部总线传送采集到的数据。其中,信号调理电路为振动传感器提供硬件滤波,去掉偏置电压,抗混叠,并将振动信号调制成差分信号,便于ADC芯片处理。信号采集电路主要包括ADC信号采样电路和测温电路,ADC芯片选用∑-△型ADC,满足对机械系统振动测量的要求;测温电路对AD、电源、协处理器等部位的温度进行监测,当温度到达极限值时,电路板停止工作,直到温度恢复正常,电路重新工作。电源电路保证整个系统的稳定运行,同时为IPC传感器提供4 mA的恒定电流。协处理器由MCU和DSP组成,负责对数据进行预处理,其中MCU负责采集数据,DSP负责处理数据。PHY代表10/100 M以太网模块及WIFI模块,负责网络数据的传输工作。具体设计构架如图2所示。

1.3 风电场监控中心

根据风电机组振动监测与故障预测系统的需求分析,采用C#号开发本系统,主要包含设备管理、信号监测设置与显示、数据存储与分析和故障预测4个模块。

(1)设备管理。对于不同型号的风电机组,输入相关部件的参数后,系统可以自动计算出对应的特征频率等参数,并将相关信息进行存储。

(2)信号监测设置与显示。登录系统后不仅可以对上位机监测参数等进行设置,还可以分别调节远端振动信号采集模块各个通道的采样频率等。在监测过程中,通过振动信号时域波形图、频谱图、瀑布图等显示测量信号状态,如果出现异常情况,系统发出预警信号,并根据需求打印相应的分析报告。

(3)数据存储与分析,考虑到1个风电场中存在几十或上百台风机,直接存储未经处理的振动信号并不现实。因此,系统采用定期存储与异常存储相结合的模式,在未检测到风电机组异常的情况下实施定期存储,检测到异常时进行实时存储。对于测量数据,实时计算其时域特征参数(峰值、有效值、峰值因数、峭度系数等[8]),并进行包络解调分析、幅值谱分析、倒频谱分析和EMD分解等详细的信号分析[9,10]。

(4)故障预测。系统采用基于数据和模型的方法对风电机组存在的故障进行预测,主要包括自学习、随机子空间和粒子滤波等方法。自学习方法通过分析存储的历史数据,获取风电机固有的振动特征参数,作为故障预测的阈值指标,当实时监测指标值偏离固有指标值一定范围时,发出预警信号。随机子空间方法通过定义参考特征值及均方根误差(Root Mean Square Error,RMSE)对风电机组的健康状况进行评价,根据曲线走势及门槛值便可得知风电机组相关部件的运行状况,大大降低系统对使用人员的要求,方便风电场运行人员对各个机组的监控。

1.4远程监控诊断中心

远程监控中心通过VPN服务器接入风电场监控中心,根据需求可以直接使用风电机组振动监测与故障预测系统,获取风电机组不同部位的实时振动信号数据、分析与诊断结论等。风电场监控中心也可以通过Web服务器定时向远程监控诊断中心发送数据、图形等。—该系统不仅可以方便总公司级的设备管理技术人员及时了解风电场设备运行状况,针对异常风电机组数据进行深入分析,还可以方便各个高校或科研单位获取实际风电机组振动数据,开展深层次的研究。

此外,风电机组是一个复杂的机械系统,准确分析判断一些异常状况,需要通过多种分析手段综合分析。结合以往经验及当前情况,这些工作只能由远程的专家来完成。专家通过远程监控诊断中心可随时获取机组振动数据,分析设备运行状态,定期或异常发生时提交分析报告指导风电机组的维护工作。

2 风电机组振动信号仿真分析

2.1 振动信号分析

振动信号采集模块采集得到的是以时间为序列的振动信号,通过提取信号中包含的特征信息,评估风电机组的运行状态。

系统使用峰值、有效值、峰值因数和峭度系数等时域参数对模拟的齿轮箱振动信号进行分析。分别计算齿轮箱正常运行、断齿故障和齿面磨损故障时,振动信号4个时域指标的结果,如表1所示。

由表1可知,发生故障时4个指标的计算结果都大于正常运行数据计算结果。比较峰值计算结果可以发现,断齿故障信号对应的结果远大于齿面磨损信号,可知断齿所造成的振动冲击非常显著;对于峭度系数,断齿故障信号的计算结果也远大于正常信号和齿面磨损信号的计算结果;而对于有效值和峰值因数,计算结果区分度较小,不易判断是否存在故障,通过表1分析,验证了部分时域参数能区分不同的故障类型,时域分析法可以初步判定风电机组是否存在异常状况。

2.2 故障预测

利用随机子空间方法分析采集到的振动信号,预测风电机组齿轮箱故障。其基本思路是:

(1)建立齿轮箱随机状态空间模型。

(2)利用测量到的稳态振动数据计算线性模型参数矩阵A的特征值,作为齿轮箱线性动态系统的参考特征值[13]。

当齿轮箱稳态运行时,计算得到的实时特征值稳定在系统参考特征值附近;当齿轮箱异常运行时,计算得到的实时特征值会偏离参考特征值,从而识别出齿轮箱的异常状态。为避免对多个特征值进行比较,系统将均方根误差(RMSE)作为总体评价指标,利用统计过程控制原理划定槛值,进而从数值上直观识别出齿轮箱的故障状态。经计算分析,确定出RMSE指标的门槛值为0.028 2。

为验证该方法的有效性,模拟齿轮箱断齿故障,并从故障前一段时间开始计算RMSE的变化趋势。如图3所示,初始阶段R MSE值在门槛值以下波动不大,但随着特征值点的发散,RMSE值越来越大。第679个点以后,曲线上升到0.028 2附近,并出现不同于正常状况的波动;第804个点以后,曲线完全越过门槛值,由此可以初步判定齿轮箱存在故障风险。随后,曲线上升速度骤增,表明齿轮箱运行状态恶化。故在第679个点附近应发出预警信号,提醒运行人员采取措施,实现风电机组的早期故障预警。

3 实测风电机组轴承异常信号分析

在某风电场实际安装了所研发的风电机组振动监测与故障预测系统,并将数据传输到风电场控制中心。在运行过程中,监测到某风电机组低速轴存在周期性的异常冲击信号,随后经过现场实际检查确认了检测信号的准确性。图4为实际传感器安装示意图。

设置振动信号采集模块的采样率为46.5 kHz,取冲击信号相同时间间隔的振动信号进行分析,其时域波形如图5所示。由图5可知,风电机组低速轴正常运行时,振动信号幅值较小且基本是平稳的随机波形。与正常振动信号不同,发生异常后时域波形具有明显的冲击信号。正常振动信号对应的峭度指标值为2.62,发生异常后对应的峭度指标值为18.05,从时域参数方面也能很明显发现异常状况。

图5中,对2段振动信号进行傅里叶变换分析,得到其频谱图如图6所示。由图6可知,发生异常后,振动信号频谱幅值整体变大,并未出现某一频率成分幅值突然变大,不存在轴承缺陷等相关特征频率,因此该异常信号并不是轴承缺陷等故障引起的冲击信号。经过分析相关结构及询问设备厂家,最终确定该异常是由于低速轴上对应的套皮管松动引起的。

取异常振动信号和正常振动信号对应频谱成分作差(如图7红色曲线),以及相同时间间隔正常振动信号频谱成分作差(如图7黑色曲线),也可以发现频谱成分幅值是整体增大的,进一步验证了分析结果的正确性。

4 结语

风电机组在线振动监测与故障预测管理系统通过实时监测风电机组振动信号,分析计算振动特征参数,从而实现了对风电机组主要部件的远程状态评估。该管理系统对于风电场实现风电机组的状态检修,提高机组在线运行时长,缩短排除故障时间,降低风电场运行损失具有重要意义。

风电场管理未来的发展趋势是无人化管理。运行管理人员对风电机组进行远程监控,一旦出现异常,可在线发放检修单,检修人员接单开展工作。无人化管理既能改善风电场工作人员的工作环境,又能提高故障维修的效率.实现故障维修责任制。通过实际安装应用所研发的监测系统,验证了该系统振动信号采集。传输及分析的准确性。

监测预测 篇2

灰色预测模型及其在大坝变形监测中的应用

传统的变形分析方法会受观测环境所产生的噪声影响,且要求观测数据为大样本,具有一定的特征分布,但在实际的工程中常常难以满足该要求.文章详细介绍了灰色预测模型在大坝变形观测中的`应用,阐述了它克服了传统方法的不足,具有很好的适用性.

作 者：黄钦 HUANG Qin  作者单位：柳州水利电力勘测设计研究院,广西,柳州,545005 刊 名：企业科技与发展 英文刊名：ENTERPRISE SCIENCE AND TECHNOLOGY & DEVELOPMENT 年，卷(期)：2009 “”(10) 分类号：P231 关键词：变形观测   小波变换   灰色系统预测理论  

监测预测 篇3

关键词：状态监测 动态模型 原油外输泵电机

中图分类号：TM315 文献标识码：A 文章编号：1674-098X（2014）10（a）-0047-02

随着我国电力事业的不断发展，电力技术水平的不断提升，电力设备额定电压及单机容量越来越大，设备的结构品种也越来越多样化，传统电气设备状态监测技术采用定期停电后绝缘预防性试验的方法，该方法体现出一定的滞后性，其不仅需要在试验时停电，而且试验结果无法将设备运行状态下的绝缘情况真实、客观的反映出来，因此，在线监测系统的应用是大势所趋。

对于电力电气系统的状态监测而言，其主要对象针对电厂和电力系统方面的重要电力设备，例如变压器、发电机、电动机以及电缆和断路器等相关的设备。该文就从动态模型的状态监测与预测性维护技术在电机领域的应用研究入手，分析如何加强电气设备的预测性维护水平。

1 电气设备状态监测的现状与不足

目前对于电气设备的状态监测主要停留在两个水平，纯电气的保护和纯机械的状态监测。

纯电气的保护：长期以来，处于重要位置的大型电机都有继电保护系统，当运行参数或状态参数达到或超过继电器的设定值，会自动切断电路，让电机停止运行。对于电气设备的保护，主要集中在过电流、过电压、欠电压、差动、负序、失磁、接地或逆电流保护上。

纯机械的状态监测：除了厂家配套的继保装置，在设备正常运行后，用户可能会根据电机的运行情况，或电机的重要性等特点加装纯机械的状态监测产品，以判断电机运行过程中出现的各种机械故障，比如转子条断裂、轴承损坏等。

纯电气的保护主要集中在设备的保护上，但是保护的前提是必须要有精确的保护设定值，对于各种各样的现场情况，如何得到保护设定值是一个值得研究的巨大课题。同时保护主要是在设备故障发生后的动作，并不能防患于未然。

纯机械的状态监测主要集中在振动监测上，通过在电机轴承座上加装加速度探头，采集后的振动信号经过分析，得出电机的相应的机械故障，可以实现事后维修为预测性维修。缺点是需要的振动理论知识高，并且对于电机匝间短路等电气故障并不能准确加以预测，并且在设备运行时加装探头和敷设电缆，也对现场的维护带来了不便，也就造成了现场运行维护人员对纯机械状态监测系统的推广度并不高的现状。

2 基于动态模型的设备预测性维护技术应用研究

为了避免之前出现的将电气保护和机械故障剥离的种种问题，笔者将目前比较流行的动态模型技术与设备预测性维护技术相结合，开发了一套电机综合性预测性维护平台。

在动态模型技术中，变工况下三相系统期望的动态模型，比如负载，是用电动机异常情况下测量得到的动态行为进行确定和比较的。系统首先对电动机进行一段时间的学习，获取并处理实时来自电动机系统的数据，数据采用系统识别算法进行处理，从而计算出期望的动态行为和模型参数，系统参数的变化预示着系统中有异常发生。此外，对这些参数的处理还用于诊断分析。

与传统的振动和电流特征分析形成对照，这动态模型技术采用了一种因果（输入-输出）关系，因此，不受周围环境噪声信号或输入中的噪声信号的影响；同时系统还筛选出期望与实际行为之间的差异，并仅对由系统所生成的异常现象进行强化，这样就能更早更准确的发出预警。采用专家系统的方法避免了必须维持一个数据库或记录的需要，也无需专业人员费时费力的采集数据和分析。虽然只测量了电压和电流，但是还是能提供全方位故障监测，包括机械、电气和拖动系统的故障。

基于动态模型的电机综合性预防维护平台数据流程如图1所示。

运行与检查：在此模式下，快速检查电动机上的所有连接，确定相序、以及电动机与被拖动设备相连并正在运行。同时还检查电压和电流是否在设定的限制范围内，V1与I11-I12通道之间的相位角是否正确；

学习：主要包括电动机在正常运行空旷下的行为学习，学习过程包括实现设置好的数据采集循环次数和数据分析时间。一旦达到了预设循环次数，系统就会进一步对采集和预处理的数据进行深入加工，从而得到一个数据库，该数据库是由代表着实际带载工况下的电动机行为的一个数据集所组成；为了能充分覆盖一个电动机系统所经历的各种负载工况，就需要足够数量的采集循环或迭代次数。

改进：一旦初始学习过程完成，系统就将通过更新学习模式期间获取的数据库而自动改进提高它对电动机特性的预测。在改进模式下，数据库是根据不同的负载和供电线路情况而进行更新的。改进模式的持续时间决定于数据菜单路径设置的改进迭代次数。

报警：此处的报警主要是针对各种故障而产生的报警信息。报警信息以报警码的形式存在，用户通过查找报警码表来找到报警的具体原因，找出到底是电气故障，还是机械故障，或者仅仅只是接线的故障。

根据之前的研究情况，将该平台应用于某海上石油设施上，监测的对象为设施3台原油外输泵，泵体功率160 kW，通过变频器带动。

每台电机都需要安装三台电流和电压互感器，三部模块采用菊花链的方式连接。采集的频谱如图2所示；评估的结果如图3所示。

可以看出，通过对三相电压和电流信号的采集，系统自动给出了基础松动、不平衡、风机页面故障等问题，并且给出了需要解决的时间区间，为现场的预测性维护提供了电气和机械方面的指导性意见，方便实用。

3 结语

基于动态模型的状态监测与预测性维护技术避免了机械和电气专业之间的技术断层，在正确使用的情况下，能对所有容量和功率等级的三相交流电动机进行监测，当某台电动机（甚至与之相关联的机械设备）性能开始下降时，即可提供清晰明确的只是，三个电流互感器和三个电压互感器取代了大量仪表性能欠佳的传感器，在传统的设备状态监测与故障诊断之外，还能对当前线路的谐波等参数进行监测和报警，大大完善了设备的各种参数。

状态监测与预测性维护平台目前在某海上得以应用，现场应用的情况良好，丰富了现场维护人员对设备状态掌握情况，提高了现场预测性维护水平。

参考文献

[1]张春霞.电气设备状态监测与故障诊断[J].武汉工业学院学报，2004，23（3）：6-10.

[2]钟家洪，夏勇.电气设备状态维修技术的运用探析[J].煤炭技术，2012（11）：12-13.

[3]朱德恒，谈克雄.电气设备状态监测与故障诊断技术[M].北京：中国电力出版社，2001：89-110.

[4]雷鸣.电力设备诊断手册[M].北京：中国电力出版社，2001：36-50.

监测预测 篇4

随着国家经济的迅猛发展, 对交通运输能力的要求也在不断提高, 而不少现役桥梁已老化, 再加之不可测自然破坏力 (如地震、洪水等) 与超载, 常会使桥梁结构遭受严重破坏甚至突然垮塌, 并造成了严重的人员伤亡和经济损失。例如, 韩国汉城横跨汉江的圣水大桥于1994年10月中央断塌50 m, 死亡32人, 事故原因是长期超负荷运营, 下部钢桁架螺栓及杆件疲劳破坏所致;陇海铁路西安段的溺河特大桥在2002年6月被洪水冲垮, 使得铁路停运数日, 造成严重经济损失[1]。因此, 对现役重大桥梁结构进行实时的监测和分析, 及时发现结构损伤或性能退化, 评估其安全性, 预测桥梁结构的剩余使用寿命并提出桥梁维护加固措施, 现已是重中之重的举措。

许多现有重大桥梁都建立了健康监测系统, 如:美国的Golden Gate桥, 日本的明石海峡桥, 英国的Foyle桥, 丹麦的Great Belt桥, 中国内地的江阴大桥、润扬桥、苏通大桥、东海大桥、钱塘江四桥等, 中国香港的青马桥、丁九桥、汲水门桥等[2]。但其中大多为大跨径斜拉桥、悬索桥, 梁桥中应用较少, 所以, 本文提出对梁式桥的健康监测和剩余寿命预测, 为后续健康监测在梁桥中的应用提供理论依据。梁桥健康监测和剩余寿命预测流程如图1所示。

1 梁桥的健康监测

结构健康监测是利用现场的无损传感技术, 实时监测结构运行状况, 采集数据, 经处理后再分析评估桥梁的结构特性及健康状况, 并可预测结构剩余使用寿命, 以保证桥梁正常运行。

1.1 健康监测系统

桥梁健康监测系统一般分为传感器子系统、数据采集与传输子系统、结构综合状态评价子系统和数据库管理子系统四个子系统。

传感器子系统由各种不同类型的传感器构成, 将被测的不同形式的物理量转变成便于记录及再处理的电压、电流或光等信号;数据采集与传输子系统负责信号采集、传输、处理和分析控制;结构安全评价子系统主要负责对桥梁危险状态进行预警、对桥梁状态参数和损伤状况进行识别、对桥梁综合性能进行评估, 给出养护建议, 其包括结构安全预警模块、结构状态与损伤识别模块、结构综合评估模块;数据库管理子系统是各子系统数据的支撑系统, 完成数据的归档、查询、存储、维护和打印输出等工作。

桥梁健康监测系统应根据桥梁的建设规模、重要性、投资、使用环境及其使用期限内性能退化情况, 进行监测等级划分, 确定系统监测的内容和功能模块。

1.2 系统监测项目

监测项目和监测参数的选取应能反映桥梁结构的工作状态, 应根据桥梁结构类型、结构特性、力学性能以及具体需求确定监测项目, 桥梁监测内容一般分为作用监测和结构响应监测[3]。对于梁式桥, 作用监测项目有车辆荷载、温度、湿度、地震作用 (对于无抗震要求的梁式桥可不测地震作用) ;结构响应监测的项目有应力、挠度、桥梁振动、桥墩沉降、伸缩缝变位、桥梁几何线形、支座反力等。其中桥梁结构的应变和扰度是确定桥梁安全性的重要指标。

1.3 传感器的选用与布置

根据桥梁健康监测系统的监测内容, 应选用不同类型的传感器, 并安装在适当的监测位置, 以满足适用性、可靠性、耐久性、可维护性和经济性的原则[3]。对于梁式桥, 所用主要传感器及其布置位置[3]如表1所示。

1.4 数据采集与传输子系统

数据采集系统包括硬件和软件, 硬件包括主控制器、数据存储器、A/D模数转换部分和数据通讯通信部分;软件一般分为模拟信号采集与处理程序、数字信号采集与处理程序、脉冲信号处理程序、开关信号处理程序、运行参数设置程序、系统管理 (主控) 程序和通信程序[2]。监测系统所得的数据宝贵, 故此对数据传输的稳定性和可靠性都有较高要求。可采用高效率和高稳定性的光纤网络。

1.5 结构综合状态评价子系统

结构综合状态评价主要进行安全性、适用性 (包括刚度、裂缝、振动性能) 、耐久性 (主要是材料性能、外观质量) 三方面的评估。结构的安全性评价首选要进行结构的损伤识别, 再进行安全评价。安全性评估包括结构承载力评估和结构稳定性评估两方面。结构健康监测的损伤识别是一种实时、在线和连续的监测方法, 分为动力指纹分析法、模型修正与系统识别法、神经网络法、遗传算法、小波变换法和Hilbert-Huang变换法[4]。安全性评定的评估方法所用的理论主要有可靠度理论、层次分析法、模糊理论、基于人工神经网络算法以及专家系统等[2]。

1.6 数据库管理子系统

由于长期采集的数据容量较大, 应对其进行数据压缩, 并确保压缩后的监测数据必须能够保留原数据的关键特性, 如最大 (小) 值、平均值、变异系数值及其它统计特征值等应能在压缩后的数据中得到有效反映。异常值剔除及数据压缩完毕后应通过图表对数据实现可视化。将数据在时域或频域图形化能有效地帮助理解采集数据所反映的现象本质[5]。此外, 可以对监测数据建立动态数据库, 并进行监测数据的定期更新、备份和恢复。

2 基于梁桥健康监测数据的剩余寿命预测

对桥梁结构进行定期或连续监测便可获得结构状态变化的趋势性规律, 进而对结构的剩余寿命做出估计。

2.1 剩余寿命预测

剩余寿命是指桥梁在当前状况下, 在不加维修或正常维护以及正常使用条件下, 结构可能继续使用的年限[6], 即桥梁使用寿命与已使用的年限的差值, 其是对结构正常使用极限状态的研究。使用寿命预测的一般方法有基于经验的预测方法、基于类比的预测方法、基于加速试验的预测方法、基于数学理论模型的方法、基于力学理论模型的预测方法、基于灰色理论的预测方法、基于可靠性理论的预测方法等[7]。可根据桥梁结构实际使用和管理中所可能监测与分析得到的数据信息的不同, 选择采用不同的预测模型。对于有进行定期或连续监测的健康监测数据的桥梁结构, 可使用的剩余寿命预测模型主要有回归分析预测模型、灰色理论预测模型、神经网络预测模型和基于可靠性理论的预测方法等。本文主要介绍神经网络预测模型。

2.2 神经网络预测模型及其算法

神经网络预测模型是利用BP神经网络的高度非线性去模拟桥梁损伤系数与桥梁使用年限之间的关系, 采集已有的评估样本, 通过对样本的反复学习对神经网络进行训练, 寻找到最优权重, 即得到预测模型中所需要的各种参数, 从而实现对桥梁剩余使用寿命的估计[8]。

BP算法属于δ算法, 是一种多级网络的非循环训练算法, 由输入层、隐层、输出层组成, 一般采用二级网[9]。其基本思想是:对于p个输入学习样本:x1, x2, …xp, 已知与其对应的输出样本为:t1, t2, …tp, 将实际的输出y1, y2, …yp与t1, t2, …tp的误差来修改连接权和阈值, 使yl (l=1, 2, …, p) 与期望的tl尽可能的接近, 即使网络输出层的误差平方和达到最小[10]。

对于仅含有一个隐含层, 输入层单元有n个, 隐含层单元节点数有s个, 激活函数为fi, 输出层单元m个, 对应的激活函数为fk, 输出Y, 目标矢量T, 则隐含层第i个单元的输出为:

式中, yi为节点i的输出, wij是节点之间的连接权值, bi为阈值。而输出层第k个单元的输出为:

误差函数定义为:

则输出层权值变化为:

式中, η为学习速率, δki= (tk-yk) f'k=ekf'k, ek=tk-yk, 同理可得:

对于隐含层的权值变化, 即从第j个输入到第i个输出的权值为:

式中, δij=ei·f'i, ei=mk=∑1δkiwki, 同理可得:

以上公式给出了一种通过误差反向传播的方式计算网络权值偏导数的递推算法, 此即BP算法, 其有信息的正向传递和误差的反向传播两部分[10]。正向传递时, 输入信息从输入层经隐含层逐层计算传向输出层, 且每一层单元的状态只影响下一层单元的状态;若在输出层没有得到期望的输出, 则转为反向传播。误差的反向传播是通过计算输出层误差ek, 然后将其与输出层激活函数的一阶导数f'k相乘求得δki。因隐含层中没有直接给出目标矢量, 故利用输出层的δki进行误差的反向传递来求得隐含层权值的变化量Δwki, 进而计算ei, 然后通过将ei与该层激活函数的一阶导数f'k相乘求得δij, 从而求出前一层权值的变化量Δwij。若前面还有隐含层, 则用上述依次类推, 一直将输出误差反推到首层止。重复以上两计算过程, 直到达到期望目标。

BP算法参数主要有网络层数、输入和输出节点数、隐含层含节点数及功能函数, 输入层单元代表影响桥梁寿命的因素, 输出层单元为想要得到的参数, 此处为桥梁的使用年限, 其中参数的选取主要集中在网络隐含层层数和隐含层含节点数的选择上。

各不同的隐含层节点数一般都能使网络收敛, 但当其数目小于某值时, 网络工作性能会很差, 然而增加隐含层层数和隐含层节点数不一定总能提高网络的精度和表达能力, 故根据经验, 隐含层节点数一般取5~10个, 隐层层数一般不超2个, 也可根据具体问题结合优化方法 (如遗传算法) 进行优化后确定[9];Mukherjee等[11]认为, 当隐含层节点数大于2倍的输入层数目时, 应设置两个隐含层, 此时一个隐含层收集信息, 另一个隐含层对所收集的信息进行分类, 但这种做法仅由经验得出并未有理论论证。

鉴于传统的和经典的BP网络在训练学习时易出现收敛速度较慢或陷入局部极小等问题, 本文采用自适应调整学习率法和附加动量法两种方法, 从而提高了训练收敛速度并增加了该算法的可靠性。其中动量法可降低网络对于误差曲面的局部细节的敏感性, 有效地抑制网络陷入局部极小;学习率自适应调整有利于调整学习时间以提高收敛速度[11]。按以上方法, 根据实测各参数值时桥梁已运行的年限, 即可实现对其剩余寿命的预测。

3 算例

某省混凝土桥梁已使用29年, 经健康监测, 试用神经网络模型预测其剩余寿命。

对于本算例, 首先根据观测数据建立神经网路, 神经网络的输入层有1个单元, 即桥梁损伤系数, 而输出层单元为桥梁的使用年限, 中间仅设一个隐含层, 其节点数通过网络训练得出。输入函数选用Sigmoid型, 输出采用线性函数。本例采用附加动量法和自适应调整学习率相结合来训练网络。其中初始学习率取为1.05, 动量系数选为0.9, 最大训练次数为7 000, 误差精度为4×10-4。经训练学习发现隐层含节点6个、训练次数为6 332时, 网络达到收敛。

现取使用终结的损伤系数为0.80, 并输入训练好的神经网络模型, 得使用寿命为53.38年, 因此剩余使用寿命为24.38年 (53.38-29) 。

4 结论

由于现役桥梁逐步老化, 而交通负荷却日益加重, 不可抗力因素还时有发生, 因而对现役桥梁进行健康监测和剩余寿命预测, 进而对其进行加固改造或调整交通负荷的工作显得日益重要。由于BP神经网络特点显著, BP算法预测桥梁剩余寿命在工程中得到广泛应用, 但神经网络方法需建立在一套完整的维护检测与数据采集系统之上, 其还处在初级阶段, 仍有待于研究、改进和完善的不足之处, 如: (1) 初始值的选取, 随机选取初始值会导致其他参数不变时训练收敛性不同; (2) 如何确定合适的隐含层层数和隐含层含节点数以提高误差精度; (3) 期望误差的选取, 当期望误差选取的不合适时, 常会出现振荡现象, 而训练误差收敛不到期望误差。

参考文献

[1]徐宏.大跨径悬索桥梁健康监侧研究[D].西安:长安大学, 2005.

[2]李宏男, 高东伟, 伊廷华.土木工程结构健康监测系统的研究状况与进展[J].力学进展, 2008, 3 (2) :151-166.

[3]郑连生.天津市桥梁健康监测系统研究与实现[D].天津:天津大学, 2011.

[4]孙鸿敏, 李宏男.土木工程结构健康监测研究进展[J].防灾减灾工程学报, 2003, 9 (3) :92-98.

[5]伍山雄, 李芳.大跨斜拉桥结构健康监测系统数据处理方法研究[J].施工技术, 2009, 2 (2) :94-96.

[6]Galambos, C.F., Bridge Design, Maintenance and Management[J].Public Roads, 1987 (4) .

[7]邹桃花.结构可靠性理论在桥梁状态评估和寿命预测中的应用[J].科协论坛, 2008 (1) 下:21-22.

[8]林兵, 郑丹, 周建庭, 等.西南地区桥梁寿命预测分析[J].重庆交通大学学报:自然科学版, 2008, 6 (2) :374-378.

[9]刘斌云, 霍达.现有混凝土桥梁结构剩余寿命预测方法研究[J].市政·交通·水利工程设计, 2008.

[10]张宇辉.桥梁结构健康监测技术与方法研究[D].长沙:湖南大学, 2005.

监测预测 篇5

【企业网址】(点击看正文)

正文目录

第一部分 木材加工行业的相关概述

第一章木材加工综述2

第一节木材加工行业概述2

第二节当今全球木材加工的发展特点3

第二章林业6

第一节森林资源概况6

一、世界森林资源概况及分析6

二、中国森林资源的基本状况9

三、中国森林资源的主要特点1

1四、中国森林资源在世界上的地位12 第二节中国林业发展分析1

5一、中国林业发展的背景分析1

5二、中国林业发展成就显著16

三、中国民营林业发展迅猛18 第三节2010-2014年中国林业发展分析2

2一、2014年林业发展概况2

2二、2014年林业发展概述2

5三、2014年林业发展概况27

四、2014年林业发展概况28 第四节中国林业发展存在的问题

31一、中国林业生态存在的主要问题

31二、中国林业发展存在的问题分析32

三、国内林业科技发展的主要问题34

四、中国林业亟需实现跨越式的发展37

第二部分 2014年木材加工行业运行状况

第三章2014年国内木材加工行业运行状况43

第一节木材加工行业总体规模分析43

一、企业数量结构分析43

二、行业生产规模分析44

第二节木材加工行业产销分析47

第三节木材加工行业盈利能力分析48

第四节木材加工行业偿债能力分析49

第五节木材加工行业营运能力分析50

第六节木材加工行业重点企业简析51

第七节行业在国民经济中的地位52

一、在第二产业中的地位52

二、在GDP中的地位54

第四章国际木材产业及木材加工业60第一节世界木材产业发展概述60

一、世界木材贸易的变化分析60

二、2014年全球木材行业走势分析6

2三、未来几年世界木材市场将低速增长6

5四、未来几十年世界木材市场供应充裕67

第二节欧洲69

一、欧洲木材资源的发展状况69

二、法国木材加工及行业发展分析7

1三、德国废旧木材回收利用状况7

2四、俄罗斯木材产品出口的特征7

4五、俄罗斯木材生产消费与出口状况77 第三节亚洲80

一、日本鼓励民众多用本国木材80

二、日本废旧木材回收利用的做法8

2三、越南木材加工业寻求可持续发展8

5四、越南木材加工业面临诸多困难87 第四节澳洲89

一、澳大利亚木材防腐产业蓬勃发展89

二、浅析澳大利亚开始实行木材进口管制91

三、澳大利亚人工林木材利用问题突出92

四、新西兰木材加工行业的概况及前景94

第五节非洲98

一、非洲木材市场的概况98

二、阿尔及利亚木材加工业概况10

1三、其他非洲国家木材加工业分析103第五章2014年国内各地区木材加工行业运行状况107第一节2014年华南地区木材加工行业运行情况107

一、华南地区木材加工行业产销分析107

二、华南地区木材加工行业盈利能力分析108

三、华南地区木材加工行业偿债能力分析110

四、华南地区木材加工行业营运能力分析113第二节2014年华北地区木材加工行业运行情况116

一、华北地区木材加工行业产销分析116

二、华北地区木材加工行业盈利能力分析118

三、华北地区木材加工行业偿债能力分析1

21四、华北地区木材加工行业营运能力分析123第三节2014年华中地区木材加工行业运行情况12

5一、华中地区木材加工行业产销分析12

5二、华中地区木材加工行业盈利能力分析127

三、华中地区木材加工行业偿债能力分析128

四、华中地区木材加工行业营运能力分析130第四节2014年东北地区木材加工行业运行情况13

4一、东北地区木材加工行业产销分析13

4二、东北地区木材加工行业盈利能力分析137

三、东北地区木材加工行业偿债能力分析139

四、东北地区木材加工行业营运能力分析140第五节2014年西北地区木材加工行业运行情况1

43一、西北地区木材加工行业产销分析1

43二、西北地区木材加工行业盈利能力分析14

4三、西北地区木材加工行业偿债能力分析146

四、西北地区木材加工行业营运能力分析149第六节2014年西南地区木材加工行业运行情况1

52一、西南地区木材加工行业产销分析1

52二、西南地区木材加工行业盈利能力分析1

54三、西南地区木材加工行业偿债能力分析157

四、西南地区木材加工行业营运能力分析159第六章中国木材及木材加工业分析163第一节中国木材行业总体概况163

一、中国木材工业发展的主要特点16

3二、中国木材工业发展呈良好态势164

三、人民币升值对木材行业的影响166

四、发展木材工业助推可持续发展169 第二节2010-2014年中国木材市场分析17

2一、2014年国内木材市场回顾172

二、2014年木材市场的三大特点174

三、2014年东南亚名贵木材市场追捧有加177第三节中国木材加工行业存在的问题与对策180

一、中国木材加工业存在的主要问题180

二、国内的木材加工市场应加强整顿18

2三、中国木材行业小板材应实施整顿18

5四、中国废旧木材回收利用需要产业化187

五、木材加工行业征管中的问题与对策188

六、提高中国木材行业竞争力的措施190

七、发展国内木材加工行业的政策建议193第七章2014年国际木材加工行业运行状况198第一节国际木材加工行业发展轨迹综述198

一、国际木材加工行业发展历程198

二、国际木材加工行业发展面临的问题20

1三、国际木材加工行业技术发展现状及趋势203第二节主要国家木材加工行业发展的借鉴205 第八章木材加工机械行业分析208

第一节木材加工机械行业的发展208

一、中国木工机械行业的发展概况208

二、木材加工机械行业的发展格局210

三、中国木工机械行业经营模式分析21

3第二节木材加工机械市场分析216

一、韩国进军中国木工机械市场216

二、木材加工机械市场的形势及特点218

三、国内木工机械市场需求巨大221

四、中国木工机械市场需引进先进技术223 第三节木材加工机械行业存在的问题与对策22

5一、制约国内木工机械发展的障碍22

5二、中国木工机械行业面临的其他问题227

三、发展木工机床行业的主要措施建议228 第四节木工机械行业发展前景分析231

一、未来中国木工机械产业前景良好231

二、中国木工机械行业经营模式的发展趋势2

32三、中国木工机械行业的产品研发趋势234

四、中国木工机械科技精度和质量的发展趋势237第九章木材加工行业运行环境分析242第一节国内宏观经济形势分析242第二节国内宏观调控政策分析243第三节国内木材加工行业政策分析24

4一、行业具体政策24

4二、政策特点与影响246

第四节上、下游行业影响分析250

一、上游行业影响分析250

二、下游行业影响分析253 第三部分木材加工行业运行数据分析

第十章木材加工行业前十强省市比较分析第一节前十强省市的人均指标比较第二节前十强省市的经济指标比较

一、前十强省市的盈利能力比较

二、前十强省市的营运能力比较

三、前十强省市的偿债能力比较第十一章木材加工行业所有制结构分析第一节行业规模实力分析270第二节行业损益情况分析271第三节营运能力对比分析272

259 259 260 260 262 265 270

第四节盈利能力对比分析273第五节偿债能力对比分析274

第十二章木材加工行业规模结构分析277第一节行业规模实力分析277第二节行业损益情况分析278第三节营运能力对比分析279第四节盈利能力对比分析280第五节偿债能力对比分析281 第四部分木材加工行业进出口现状与预测

第十三章中国木材加工进出口现状与预测第一节木材加工历史出口总体分析

一、木材加工出口总量历史汇总

二、木材加工出口价格历史汇总第二节木材加工历史出口月度分析

一、木材加工出口总量月度走势

二、木材加工出口价格月度走势第三节我国木材加工出口量预测

一、我国木材加工出口总量预测

二、我国木材加工出口金额预测

285 285 285 287 289 289

291 293293295

第四节我国木材加工出口价格预测297 第五部分木材加工行业相关运行风险预测第十四章市场环境风险预测301第一节国内同业竞争风险301第二节国际同业竞争风险302第三节金融市场风险303第四节技术市场风险30

4一、安全技术304

二、效率技术306第五节人力资源风险310

第十五章木材加工行业环境风险预测313第一节宏观经济周期风险313

一、产业增长弹性分析31

3二、宏观经济影响分析315

三、我国宏观经济增长的特点316第二节国家产业政策现状及变动影响319第三节行业发展中的不确定性因素320第十六章木材加工行业财务风险预测323第一节行业债务风险分析323第二节行业营运风险分析324第三节经营风险分析325第四节管理风险分析326 第六部分木材加工行业竞争状况分析

第十七章国内木材加工竞争状况330第一节竞争格局分析330第二节竞争模式分析331第三节企业竞争力分析332第四节行业结构性分析33

3一、行业省分布历年概况33

3二、行业销售集中度分析33

5三、行业利润集中度分析336

四、行业规模集中度分析338第十八章国内木材加工重点企业分析34

4第一节国内木材加工重点企业A344

一、公司基本情况344

二、公司经营与财务状况346

三、公司投资情况349

四、公司前景展望351

第二节国内木材加工重点企业B3

53一、公司基本情况353

二、公司经营与财务状况35

5三、公司投资情况356

四、公司前景展望358

第三节国内木材加工重点企业C36

2一、公司基本情况362

二、公司经营与财务状况36

5三、公司投资情况367

四、公司前景展望368

第四节国内木材加工重点企业D37

1一、公司基本情况371

二、公司经营与财务状况372

三、公司投资情况37

4四、公司前景展望377

第十九章2015-2019年木材加工行业发展预测及建议382第一节2015-2019年国际木材加工市场预测382第二节2015-2019年国内木材加工市场预测38

3一、2015-2019年木材加工产能预测38

3二、2015-2019年木材加工产量预测38

4三、2015-2019年市场需求前景386

四、2015-2019年市场价格预测389

五、2015-2019年行业集中度预测391第三节相关行业建议393第二十章专家观点与研究结论395第一节报告主要研究结论395第二节博研咨询行业专家建议396更多图表：见报告正文

详细图表略…….如需了解欢迎来电索要。

本报告实时免费更新数据（季度更新）根据客户要求选择目标企业及调查内容。附录：

附录一：进口原木加工锯材出口试点管理办法 附录二：化学工业木材节约代用的规定403

灰色预测在隧道位移监测中的运用 篇6

1 灰色预测模型建立

灰色预测方法是根据过去及现在已知的或非确知的信息,建立一个从过去引申到将来的GM模型从而确定系统在未来发展变化的趋势,为规划决策提供依据[3]。在灰色预测模型中,对时间序列进行数量大小的预测,随机性被弱化了,确定性增强了。

模型是灰色预测的核心,它是一个单个变量预测的一阶微分方程模型,其离散时间响应函数近似呈指数规律。建立GM(1,1)模型[4,5]的方法是:

于是可得到灰色预测的离散时间响应函数为:

X(1)(t+1)为所得的累加的预测值,将预测值还原即为:

2 实例分析

重庆市江北区站前东路江北段道路工程为东西南北走向,所需监控区域为回头匝道的隧道暗挖段,起讫桩号为HTK0+145—HTK0+345。其监测项目主要为拱顶下沉位移和周边收敛,主要设备有地质罗盘、收敛计、精密水准仪、钢尺等。

在K0+165断面,进行连续12天的监测,其检测数据如表1:

从图2和图3可以看出,预测值在开始与实际值存在较大的偏差,但随着时间推移,预测值和实际值基本吻合,这就证明灰色预测能很好地预测累计拱顶位移和累计水平收敛。

表2表明,无论是累计拱顶下沉和累计水平收敛GM(1,1)预测的相对误差均在5%范围内,满足工程实际需要。

3 结束语

对隧道位移趋势预测,能使决策者提前做出决策,降低事故发生的概率。灰色预测模型,对于累计拱顶下沉和累计水平收敛的预测精度高,所需数据样本小,误差在工程允许范围内。实例证明,灰色预测的GM(1,1)模型可用于隧道位移预测。

参考文献

[1]李广瑞,朱自强,鲁光银.浅埋软岩隧道拱顶下沉预测及二衬合理支护时机[J].公路工程,2013(05).

[2]党耀国,王正新,钱吴勇,等.灰色预测技术方法[M].北京:科学出版社,2014.

[3]曾波,孟伟,王正新.灰色预测系统建模对象拓展研究[M].北京:科学出版社,2014.

[4]黄辉平.非等间隔序列的灰色预测模型在隧道施工监测中的应用研究[J].工程施工技术,2011(06).

监测预测 篇7

铝型材生产企业属能源成本占总运营成本比例较高的行业,并通常被列为各级政府重点能源消耗监控单位。为了保证熔铸生产稳定、经济地运行,对铝型材生产能耗进行实时监测以及能耗异常检测,是实现制造自动化和清洁生产的发展趋势[1,2]。此外,以机组、车间为单位对生产节能情况进行评估,可以有效地减少能源泄露、待机时间过长、参数不恰当等能耗异常现象[3,4,5]。

但目前大多数特种工业铝型材生产企仍停留在无数据—粗放式的能源管理阶段,只有总的能耗数据(月账单、年账单),对工艺及设施的能耗数据不了解。少数企业有基础的能耗数据,有安排员工进行人工抄表,并对抄表数据进行汇总、制表,有简单的抄表和电力监测系统,缺乏对海量数据进行统计、整理和分析。因此,面向生产过程的系统性有效的全面能源监控并将能耗数据进行反馈,动态指导生产调度等决策过程,也已成为铝型材生产企业数字化升级的重要需求之一。樊龙等提出一种基于MODBUS的智能电表数据采集传输系统,提高了数据采集传输的实时性和可靠性[6]。杨文人对基于能耗预测模型的能源管理系统进行了研究,建立了基于BP神经网络的能耗异常监测模型,并成功应用于轮胎硫化工序[7]。

此外目前采用的节能评估手段是采用未采用节能措施的单位产品的能耗与采用节能措施后的单位产品的能耗进行对比。然而这一方法存在严重的滞后性,随着生产时间的不同、机组工作人员的不同、生产产品的不同,这种评估方法会产生较大的误差。文献[7]利用BP神经网络根据当前生产参数进行能耗预测,与实际能耗值进行比较的节能评估方法,可以有效地避免数据的滞后性。

为此,该文提出一种铝型材熔铸实时能耗监测及能耗预测方法及系统,不仅可以实时地监测熔铸生产中的能耗数据,并可以根据能耗预测发现熔铸生产中的能耗异常现象。

2 系统结构组成

系统分为实时能耗监测及能耗预测两部分,实时能耗监测部分由硬件部分和数据采集部分组成,能耗预测部分由训练回归型支持向量机模块,预测能耗区间模块和评估节能效果模块三部分组成。

实时能耗数据采集部分如图1所示:硬件部分由数字仪表、采集服务器、网关机和监控服务器组成。底层数字仪表与交换机通过RS-485接口相连,使用ZIGBEE通讯协议进行数据通信,采集服务器与交换机相连,使用TCP/IP协议进行数据通信,各个交换机通过局域网与监控服务器相连。

数字仪表包括智能电表和智能天然气表,智能电表安装于熔铸机用电线路上,用于采集用电量、电压、电流、视在功率、有功功率、无功功率、功率因数、频率等参数,该参数又分为A、B、C三相和汇总;智能天然气表:安装于辅助加热炉供热管道上,主要采集用量、温度、压力、流量等4个参数;

采集服务器:安装于车间,连接智能电表、智能天然气表和交换机之间,主要用于在网络设备中传输数据,实现数据双向透明传输;

网关机负责从各个设备控制系统采集数据,送到监控服务器中;同时充当管理网络与控制网络之间的网关。采集器与监控服务器之间的网络出现问题时,数据会先保存在网关机上,当故障网络恢复正常时,保存在网关机上的数据会自动上传到实时数据库服务器上,保证所采集数据的完整性。

监控服务器:用于接收和记录交换机传输的负载能耗数据以及运行回归型支持向量机方法;以回归型支持向量机算法计算单位产品能耗的预测值Xp;

软件部分有数据采集模块和服务器控制模块,数据采集模块运行于采集服务器,其工作内容是从监控服务器收到配置参数后,生成标准的数据命令帧,并发送给智能数字仪表,收到智能数字仪表返还的应答数据帧后,将数据帧中的内容打包为TCP/IP所用的数据包,通过网络接口转发到交换机网关中。节能评估模块运行于监控服务器,采用微软公司开发的软件开发平台VC++6.0进行开发,使用封装的Mscomm控件进行串口传输,并将硬件采集到的数据传输到上位机界面中实时显示以及存储到SQL数据库中。

3熔铸生产能耗预测

基于回归型支持向量机的熔铸异常能耗预测由三个模块组成:训练模型模块、预测能耗区间模块、评估节能效果模块。

训练模型模块用于训练基于回归型支持向量机的节能评估模型,如图2所示。以某铝型材制造企业熔铸车间为例,原始的能耗时间序列数据,包括日、月和年等不同时间维度的能耗数据已经由能耗监测系统预先存储于监控服务器的SQL数据库中。从监控服务器的SQL数据库中读取某一熔铸机组于2013.42013.8每生产1吨铝棒的耗电量和燃气量作为训练数据,输入数据x有熔铸质量、环境温度、熔铸温度、熔铸时间、操作工人工龄等,使用MATLAB训练基于回归型支持向量机的回归函数) ;根据回归函数计算该熔铸机组于2013.9所每熔铸1吨铝棒的耗电量和燃气量为373.74度/吨、36.68立方米/吨。

预测能耗区间模块,其特征在于使用统计分析方法计算单位产品能耗的置信区间。设单位生产铝棒的预测耗电量为X1, X2,…Xn服从样本分布( μ , σ2),和S2分别表示预测耗电量的样本均值和样本方差,则随机变量,对于给定的置信度,则预测耗电量的均值μ的置信区间为以某铝型材制造企业熔铸车间为例,2013.7月中5天的耗电量分别为345.24度/吨、343.82度/吨、354.05度/吨、346.44度/吨、353.26度/吨,则置信度为0.99的耗电量置信ˉ区间为:,则预测耗电量的置信区间为[348.56-9.77, 348.56+9.77]。

评估节能效果模块,其特征在于根据每熔铸1吨铝型材的能耗预测值Xp和每熔铸1吨铝型材能耗的实际值Xt,根据公式-计算所述单位产品的节能效果η。

4 系统测试及讨论

以某铝型材制造企业熔铸车间为例,从数据库中选取其2011.12012.9每生产1吨铝棒的耗电量为训练数据,结合软件MATLAB,训练基于回归型支持向量机的节能评估模型,数据如表1所示

根据训练好的回归型支持向量机模型去获取单位铝型材耗电量预测值。如图3所示,该企业2012年9月-2012年12月中每月的每生产1吨铝棒的耗电量的预测值分别为1100千瓦时、1083千瓦时、1055千瓦时和1092千瓦时。

最后根据每生产1吨铝棒的能耗预测值Xp和每熔铸1吨铝型材能耗的实际值Xt,根据公式计算所述单位产品的节能效果η。图4所示是置信度为99%的某熔铸机组日节能能效图,图中可以看出多个能耗异常情况。

5 结论及未来工作

本文针对铝型材熔铸过程能源使用较多,传统人工采集能耗数据频率低,采集速度慢等问题,提出了一种包括智能电表、智能天然气表、采集服务器、交换机以及监控服务器,智能电表和智能天然气表等构成的熔铸能耗监测和能耗预测系统,负载通过RS-485总线与采集服务器相连接,采集服务器将RS485串口转换为TCP/IP网络接口,实现RS-485串口到TCP/IP网络接口的数据双向透明传输,监控服务器实时监测负载能耗数据并记录不同负载的能耗数据,并用历史能耗数据以回归型支持向量机方法计算单位铝棒能耗的正常检测区间,还可以根据预测能耗数据与实际记录能耗数据进行比较,对熔铸生产进行节能评估。实验证明该系统不仅可以实时地采集车间内熔铸机组的能耗数据,还可以通过对历史能耗数据的分析,检测生产中的能源泄露、待机时间过长、生产参数不恰当等能耗异常现象。

摘要：针对铝型材生产过程中能耗较大,传统人工采集能耗数据频率低,采集速度慢等问题,该文提出一种铝型材熔铸炉生产实时能耗监测及能耗预测系统。该系统一方面使用基于zigbee协议的无线传输通讯方式将生产现场电表、燃气表与交换机相连接,并通过网络接口数据发送至服务器,实现对生产能耗数据的实时监测;另一方面采用回归型支持向量机对历史生产数据进行学习,得到预测能耗模型,用于对当前生产能耗数据预测,及时发现生产中的能源损失、生产参数不当等异常现象。

监测预测 篇8

一、S8000监测系统概述

1. 体系结构

该系统由中心服务器WEB8000、监测分站NET8000和浏览站组成, 它们之间通过企业局域网Internet来实现数据的传输。其体系结构如图1所示。NET8000负责实时机组数据采集、数据分析及网络接口功能, WEB8000负责管理、储存NET8000采集到的机组数据, 并将这些数据以适当的形式提供给用户浏览。二者的联系是建立在工厂局域网上, 在局域网上可以配置一台中心服务器和多台监测分站, 只有二者结合起来才能实现S8000的所有功能。另外WEB8000通过电话线和Modem使用户可以通过拨号方式访问, Internet用户也可通过工厂的防火墙访问到中心服务器。

2. 硬件配置

NET8000监测分站主要由NET8000主机、25芯专用电缆和接线端子板构成。NET8000主机采用一体化的设计方法, 现场机组的数据信号可通过现场二次仪表的相应端口输出, 通过25芯电缆连接到NET8000主机上, 或通过接线端子板与NET8000主机相连。一台NET8000主机主要包括以下几个接口:振动通道接口、25芯电缆插座、过程量通道接口、网络接口、键相信号接口、通信口。NET8000接口图见图2。

3. 软件配置

NET8000集成了设备监测、故障诊断、数据采集、信号分析、网络通信等多项功能, 内置嵌入式Linux操作系统, WEB8000作为一台功能强大的服务器, 操作系统采用Windows 2000 Server, 数据库服务器采用SQL Server 2000。

S8000系统软件为状态监测和设备维护人员提供了强大丰富的图谱分析功能。包括机组总貌图、波形频谱图、轴心轨迹图、振动趋势图、棒图、全息谱图、多轨迹图、多频谱图、振动参数列表、系统日记、转速时间图、灵敏监测事件等30多种功能。用于机组的运行状态监测和故障诊断, 可诊断不平衡、不对中、摩擦、涡动、松动、弯曲等常见故障。

二、应用案例

1. 催化轴流风机叶片断裂不平衡故障诊断

2009年9月20日19时, 催化装置轴流风机启机运行, 风机前轴承X181A、后轴承X180A振动分别为12μm、11μm。运行至22时30分, 风机前、后轴承振动突然增大, X181A、X180A最大振动达92μm、66μm, 随后又降至52μm、55μm, 并稳定下来, 但是振动幅值仍然很大。应用在线监测系统进行故障分析, 轴流风机测点示意图见图3。

在风机前轴承振动频谱图 (图4) 、后轴承振动频谱图 (图5) 中, 1倍频占有绝对的主导地位。与故障前频谱图比较, 发现振动变化是由1倍频引起的, 初步判断振动的增大是由于不平衡量发生变化导致的。

为了验证不平衡量的变化, 同时分析了风机前轴承振动X181和后振X180测点1倍频的相位变化。在振动变化前, X180测点1倍频相位显示为A侧63°, B侧223°, A、B的相位差约是160°, 而振动变化后, A侧变为约125°, B侧279°, 相位差约是154°, 这些说明了故障原因为不平衡矢量发生了改变, 变化了约60°。

由不平衡故障机理知, 转子在旋转过程中, 如果发生叶片飞离、部件缺损或异物附着等情况时, 发生质量变化处的不平衡矢量与原始的不平衡矢量相叠加, 合成的不平衡矢量在大小、角度位置上发生变化, 本案例中风机运行只有3h, 可排除固有不平衡、结垢造成的渐发不平衡等故障, 而应考虑转子的零部件脱落引发的突发转子不平衡。因此, 决定停机检查, 发现风机2级动叶片断裂脱落。

2. 富气压缩机结垢故障诊断

ARGG装置富气压缩机平稳运行至2009年8月12日, 在负荷等工艺参数稳定的情况下, 压缩机的轴振幅值发生大幅的异常波动, 振动幅值由13μm增长到26μm, 波动达到正常值的2倍。振动波动现象表明压缩机存在故障, 已影响到机组的正常运行, 为此应用在线监测对故障进行诊断, 测点布置见图6。

压缩机各测点的变化规律基本相似, 选取14日至15日1天内, 测点V553A、V553B的振动和相位变化趋势进行分析, 在1倍频振动趋势图 (图7) 、1倍频相位趋势图 (图8) 、轴心轨迹图 (图9) 中, 故障特征为:1倍频幅值周而复始的周期波动, 周期约2~3h;1倍频相位360°周期性连续变化, 波动周期与1倍频幅值变化基本一致;轴心轨迹持续出现反进动。

上述特征表明压缩机的振动发生周而复始的改变, 振值由大到小, 再逐步增大, 振幅变化一个周期, 相位正好变化360°, 过程持续大约2~3h, 轴心轨迹的持续反进动。这些特征说明转子存在整周的全摩擦, 即旋转性摩擦。

监测预测 篇9

关键词：非点源污染,单位面积负荷,平均浓度,水质水量相关,土地利用

非点源污染是相对于点源污染而言的, 指溶解的或固体颗粒物从非特定地点, 在降水和地表径流的冲刷作用下, 随降雨径流的汇流过程进入河流、湖泊、水库、海湾等受纳水体, 而引起的水体污染[10]。

在控制非点源污染时, 首先需要确定非点源污染负荷, 并根据污染负荷在时间、空间分布采取相应的控制措施[8,12,15]。准确预测流域非点源污染年负荷, 需要在流域出口处监测每一场降雨径流和相应的水质资料, 由于非点源污染是一种随机性、不确定因素很多的复杂过程[1], 获取每场降雨径流过程的数据资料比较困难。实际研究中, 大部分流域没有水质水量同步监测资料或仅有部分监测资料 (有限监测资料) , 如何合理的利用这些数据来预测非点源污染负荷一直是非点源污染控制中的重点问题, 难点问题之一[14]。纵观国内外文献, 目前主要借助数学模型和统计相关模型来预测缺乏资料流域的非点源污染负荷。数学模型是通过模拟非点源污染产生的两个重要过程:降雨产、汇流过程, 污染物产、汇污过程, 来估算非点源污染负荷 (年、次暴雨) [10,12,14]。目前, 虽然开发了大量的非点源污染数学模型[8,14], 其缺点也十分明显:模型适用面积较小;流域划分单元格破坏实际的产汇流、产汇污过程。另外国外大多数模型中的产汇流、产汇污参数在我国缺乏应用资料, 难以推广, 如水土流失方程、SCS曲线法等。统计相关模型是抛开污染物的产流、汇流过程, 立足于受纳水体的水质监测资料, 预测流域的非点源污染负荷。大量的经验统计模型可供利用, 包括水质水量相关、水质土地利用相关、水质多元回归等[4,3,8,11]。统计相关模型具有参数需求量少、计算简单、运用方便等优点, 在实际中得到大量运用。但是其缺点也很显然, 建立统计相关模型需要大量数据;模型具有区域性;模型大多预测次暴雨径流污染负荷, 而实际中往往需要的是非点源污染年负荷, 以及不同年份的非点源污染年负荷。我国非点源污染研究处于起步阶段, 大部分流域和地区基础资料缺乏, 只有较小区域具有有限的水质水量同步资料[6,13]。

1 非点源污染负荷预测方法

我国部分地区和有关流域开展了非点源污染研究, 积累了有限的非点源污染监测数据[5,18]。合理、有效地利用这些数据, 预测非点源污染年负荷 (平水年、枯水年、丰水年) , 对于非点源污染控制具有重要意义。本文在这些方法的基础上, 提出改进的单位面积负荷法、水质水量相关法、平均浓度法、流域土地利用类型指数法。

1.1 单位面积负荷法 (改进)

一般农业流域具有多种土地利用方式, 不同土地利用类型的单位面积污染负荷不同[1,12]。确定每种土地利用类型的单位面积负荷需要长期的监测资料, 同时单位面积负荷法仅能预测流域多年平均非点源污染负荷[1,10]。对于具有有限监测资料的流域, 将监测的每场次暴雨径流量和非点源污染负荷除以流域面积, 可以得到每场次暴雨径流的单位面积负荷 (径流、污染物) 。

次暴雨径流单位面积负荷:

式中:Wu-流域次暴雨径流的单位面积负荷;Wi-第i场次暴雨径流的非点源污染负荷;A-流域面积。

由于流域的每场次暴雨径流污染负荷与降雨特征 (强度、持续时间、降雨时间间隔) 和作物生长等因素有关, 为了充分反映上述因素的影响, 利用流量权重法求得流域平均单位面积负荷, 即:

式中:-流域平均单位面积负荷;Wuk-第k次暴雨径流的非点源污染单位面积负荷;Quk-第k次暴雨径流量;m-暴雨径流监测场数。

次暴雨径流的污染负荷量与径流量间存在相关关系[10,12], 污染物单位面积负荷与单位面积径流负荷间也应存在着相同的关系, 同时消除研究尺度 (流域面积) 的影响, 便于流域非点源污染资料的外。

推[12,14]。当需要预测不同年份的非点源污染负荷时, 假定单位面积年径流深与单位面积年负荷间也符合该相关关系, 即可预测出流域的单位面积负荷, 进而可得流域的非点源污染年负荷量。

1.2 平均浓度法

降雨径流过程中, 根据单场实测次暴雨径流的平均浓度计算单场次暴雨径流的污染负荷, 利用流量权重法可求得流域次暴雨径流的污染物平均浓度。对于资料缺乏的流域, 只要预测出流域年次暴雨径流量, 即可计算出流域次暴雨径流的年污染负荷。

式中:W-非点源污染年负荷;Wk-第k场次暴雨径流的非点源污染负荷量;k-一年的降雨产流场数。

在实际中当监测的径流场数以及检测样本数均十分有限时, 可以利用式 (5) 计算单场次暴雨径流污染物的平均浓度:

式中:n-径流样本数。

一般研究流域往往具有多场监测数据, 利用流量权重法计算流域次暴雨径流平均浓度以消除不同场次间因径流量引起的偏差, 即:

式中符号意义同上。

对于不同年份非点源污染负荷可根据下式计算:

式中:Qp-某一年的次暴雨径流量。这样只要知道次暴雨径流量 (年、场暴雨) , 即可得到流域非点源污染年负荷量 (平水年、丰水年、枯水年) 。

1.3 水质水量相关法

非点源污染负荷量与次暴雨径流量间存在着线性或非线性相关关系, 利用流域有限的监测数据可以建立污染负荷与径流量的相关关系, 相关形式主要有线性、指数、对数形式, 笔者认为对数形式比较适合, 因为径流在一定范围内, 污染负荷随着径流量增加而增加, 但是最后趋于稳定值 (径流量很大, 而污染物浓度很低) , 利用对数关系可以反映这一实际情况12。一般的相关关系见式 (8) :

式中:Wk-第k场次暴雨径流的污染负荷;Qk-第k场次暴雨径流量;a、b-相关系数。

假设流域非点源污染年负荷与年次暴雨径流间也存在这样的相关关系, 只要得到年次暴雨径流即可预测出流域的非点源污染年负荷。但是, 这样的处理预测结果偏小。

对于流域M次降雨产流, 年负荷实际计算如下:

按照假设, 流域非点源污染年负荷:

很明显式 (9) 的第一项远大于式 (10) 的第一项, 当第二项的作用远小于第一项时, 这样假设的预测结果要小于实际情况。当第二项的作用远大于第一项时, 这种影响可以忽略不计。利用水质水量相关关系时必须注意这种影响, 需要分析影响程度。

1.4 流域土地利用类型指数法

对于没有水质水量同步监测资料的流域, 可以选取气候、降雨类似的参考流域 (具有水质水量同步监测资料) , 通过分析两个流域间的下垫面差异, 利用非点源污染负荷与流域土地利用类型间的关系, 预测无资料流域的非点源污染负荷。

一般农业流域的土地利用类型比较接近, 主要有耕地、村庄、水体、森林等。流域土地利用类型指数:

式中:R-流域土地利用类型指数;SF-森林面积;SG-草地面积;SA-耕地面积;SV-村庄面积。

流域土地利用类型指数反映了流域产生非点源污染的能力, 值越大反映流域产生的非点源污染负荷越少;同时该值受流域基质影响, 在选择参考流域时要注意两个流域基质要基本相同, 以免预测结果误差太大。

当流域的土地利用类型指数已知后, 利用式 (12) 计算无资料流域的非点源污染负荷:

式中:WR-无资料流域的非点源污染负荷 (平水年、丰水年、枯水年) ;WC-参考流域的非点源污染负荷 (平水年、丰水年、枯水年) ;RC-无资料流域的土地利用类型指数;RR-参考流域的土地利用类型指数;AR-参考流域面积;AC-无资料流域面积。

2 结论

监测预测 篇10

由于造成大气污染的因素很多,车辆排放对大气污染的影响属于多指标、多级模糊评价问题,仅仅单指标评价并不能为大气污染治理提供科学的决策支持。尽管对于多指标定量及模糊评价也涌现出很多有意义的研究,如灰色模糊聚类评价法、神经网络评价法、模糊综合评价法等,但仍然不能从实质上解决车辆排放对大气污染的模糊识别及评价问题。而且,由于采用主观方法来确定各评价指标的权重系数,人为干扰较强,因此,决策矩阵往往不能充分体现各指标对决策的贡献量大小,导致研究结果无法很好地进行实际应用。因此,本文针对车辆排放对大气污染的特点,将大连理工大学陈守煜教授与2005年创立的可变模糊集理论应用于车辆排放对大气污染的监测领域,对传统的大气质量监测评级予以合理改进。最后通过神经网络对短时间车辆排放对大气污染程度进行预测。

1 车辆排放对大气污染的监测指标体系

大气中污染物质来源广泛且种类繁多,应选择恰当的污染物监测指标以科学描述车辆排放对大气污染的程度。一方面,监测指标是指对环境污染程度较大,或是对人类健康有较大危害的污染物;另一方面,对于监测区域而言,监测指标的主要排放源为车辆尾气排放。因此,车辆排放对大气污染监测指标的选择应遵从以下原则:

1)科学性原则:监测指标的选取以国家环保政策中的相关规定为科学依据,采用科学的方法和手段,遵循生态规律。

2)可操作性原则:监测指标能够通过观察、测试、评议等方式得出确定结论或定量监测值。

3)层次性原则:监测指标体系由多层次结构组成,在反映各层次特征的同时,各要素也相互联系构成一个有机整体。

4)区域性原则:监测指标体系既能够精确描述监测目标的监测结果,又能够反映监测区域的特点。

车辆排放对大气污染的监测指标体系选取了10种车辆排放污染物作为监测指标,并根据其特性,将10种大气污染物分为一般气态污染物、二次污染物以及固体污染物三个类别,其中包括3种气体污染物、3种二次污染物和4种固体污染物。建立了能够反映车辆排放对大气污染状况的监测指标体系,如表1所示。

2 车辆排放对大气污染的模糊可变模型

1965年札德(Zadeh)提出模糊集合概念,是对康托(Cantor)普通集合论的突破,并由此发展为一门新的数学学科———模糊集合论,在数学思维上有重要科学意义。20世纪陈守煌教授提出相对隶属度、相对隶属函数概念,并以此为基础建立工程模糊集理论。研究一定时空条件组合下,系统中模糊事物、模糊现象、模糊概念的相对性与动态可变性,并用数学方法描述其相对可变性。由于其模型参数的可变,可得到多组模型对同一事物的综合评价,提高评价结果的稳定性和可靠性。根据该理论可建立车辆排放对大气污染的模糊可变模型,其步骤如下:

步骤一:大气污染物数据采集,计算车辆排放对大气污染监测指标的测度值。

根据表1选取的10个车辆排放对大气污染的监测指标,监测同一区域不同时段内的大气污染物样本,则n组分时监测得到监测值的特征向量为

式中:xij为样本j和指标i的监测值(其中i=1,2,…,10;j=1,2,…,n)。

步骤二:对车辆排放对大气污染监测指标的测度值进行公度化处理。

设定各级别指标标准值区间矩阵为(aih,bih),h为监测级别(h=1,2,3,4,5),分级标准为1级最优级,5级最劣级。通常,aih>bih表示指标监测值越大级别越优,为递减系列;aih<bih表示指标监测值越小级别越优,为递增系列。对于车辆排放对大气污染的监测指标体系而言,指标监测值越小越好,即指标皆为递增系列。因此,根据10个监测指标、5个级别的指标标准区间确定吸引域区间Dab及范围域区间Dcd,如图1所示。

图1是h取中间等级时各标准区间的示意图,Mih是一个重要参数,可根据待评对象级别h对优、劣模糊概念进行物理分析确定。对优级,即h=1、2,Mih=aih;对劣级,即h=4、5,Mih=bih;对h为奇数的中介级(不优不劣级),即h=3,。

步骤三:计算监测样本对各级别车辆排放对大气污染监测指标的相对隶属度。

根据监测对象的指标监测值xij与标准级别指标的相对差异度进行比较,当xij落在Mih的左侧,车辆排放对大气污染的相对差异函数公式为

当xij落在Mih的右侧,车辆排放对大气污染的相对差异函数公式为

根据模糊集合的余集定义得出指标相对隶属度函数的公式为

则监测值j对各级别监测指标相对隶属度的矩阵为

步骤四:界定车辆排放对大气污染监测指标的权重系数。

Shannon将熵引入信息论,对信息进行定量描述并利用熵值来反映信息无序程度。若指标值的熵值越大则表明信息中蕴含的信息量越少,在评价模型中的作用也就越小;反之,则表明信息中蕴含的信息量越多,作用越大。Entropy法的客观定权具体步骤如下:

1)构建原始数据矩阵。在车辆排放对大气污染的监测指标体系中,现有n组监测值,10个监测指标,由式(1)得到原始数据矩阵X=(xij)n×10。

2)计算无量纲矩阵。针对不同类型的监测指标的量纲不同,将其转化为无量纲指标值。由于测量排放监测指标属于成本性指标,采用下式处理

式中:xij为样本j指标i的监测值,(xij)max=max{xij,i=1,2,…,n};(xij)min=min{xij,i=1,2,…,n}。

对原始数据矩阵X进行无量纲化处理,得到车辆排放对大气污染监测值的无量纲矩阵

3)计算比重矩阵。计算各监测指标下监测值的指标值比重,得到车辆排放对大气污染监测值的指标值比重矩阵为

式中:为第j个监测指标下第i个监测值的指标值比重,且满足。

4)计算熵值。第j个车辆排放对大气污染监测指标的熵值

5)计算熵权。第j个车辆排放对大气污染监测指标的熵权

步骤五:计算各监测值对大气污染监测指标体系各级别的综合相对隶属度

利用模糊可变模型,计算各大气污染物监测值对大气污染模糊监测体系中各级别的综合相对隶属度,公式为

式中:α为模型优化准则参数,α=1时,为最小一乘方准则,α=2时,为最小二乘方准则;β为距离参数,β=1时,为海明距离,β=2时,为欧氏距离。

基于α,β的不同取值,式(11)的参数有4种组合,是一个多种变化的监测模型。由式(11)可得到归一化处理后的综合相对隶属度矩阵为U=(V(xij)h)10×5,应用级别特征值(12)可得车辆排放对大气污染的监测级别为

3 车辆排放对大气污染的神经预测模型

车辆排放是影响大气质量的重要因素,在交通结构以及交通设施状况不变的情况下,同一区域内不同时间的车辆排放量之间存在着某种非线性联系。本文基于BP神经网络建立模型来识别这种特定联系,进而预测车辆排放对大气污染的程度,其步骤如下:

步骤一:车辆排放对大气污染数据的输入信息融合。

输入信息融合是模仿神经元对不同环境刺激的敏感程度不一致的现象,引入输入信息的敏感向量(权重向量)W=[w1d,w2d,…,wsd],d=(1,2,…,m),输入车辆排放对大气污染的信息向量Xs=[x1,x2,…,xs],s=(1,2,…,n),则与对应的敏感向量乘积得到融合之后的信息为

步骤二:车辆排放对大气污染数据的输出信息转化。

当bd大于神经元兴奋阈值时(通常建议取值为0.01),神经元信息转换函数对bd转化得到输出信息yz,采用Sigmoid函数作为转化函数,则输出信息为

步骤三:车辆排放对大气污染数据的误差反向传播。

根据得到的神经元输出信息yz与实际期望信息yz*之间的差值,反向修正神经元权重系数wsd,这里采用改进的自适应动量梯度下降法作为权值修正函数

式中:wμsd为前层第s个神经元和后层第d个神经元之间第μ次修正权值,η为动量因子,g为梯度误差修正函数。

车辆排放对大气污染的BP神经网络预测模型是根据数据规模确定神经网络结构,并在明确BP神经网络的预测机制后,利用MATLAB软件中的神经网络工具箱完成车辆排放对大气污染数据的训练和预测过程。在使用工具箱时,只需确定输入层、隐含层和输出层的神经元数,训练网络算法以及各层之间的神经元信息转换函数,MATLAB会生成特定的车辆污染物排放对大气污染的BP神经网络预测模型。输入车辆排放数对大气污染的数据训练样本,制成训练网络,当神经网络的实际输出数据与目标数据的均方误差满足条件后,再输入车辆排放对大气污染预测所需数据,得出预测结果。

4 实例分析

通过实例来验证本文所建立车辆排放对大气污染的模糊可变模型,以及车辆排放对大气污染的神经预测模型的可行性。本文以南京市某区域监测点所测得的各监测值进行实例分析。

4.1 南京市某区域车辆排放对大气污染的模糊监测

借鉴国外、国内其他部门的研究成果,同时考虑所建立的指标体系能全面反映车辆排放物对大气的污染程度,参考《大气污染物综合排放标准》及《环境空气质量标准》,得到车辆排放对大气污染的模糊监测指标体系各组成部分的等级指标与污染等级,如表2所示。

μg/m3

将9个样本的各指标监测值代入监测模型,分别计算相应的车辆排放对大气污染的监测等级结果,本文以随机选取的2月12日样本监测数据为例,详细阐述其评价过程,步骤如下:

步骤一:采集2016年2月10日—2月18日该监测点连续9d监测数据进行实例分析。表3列出了监测时间内车辆排放对大气污染监测体系中各监测指标的监测值。

μg/m3

步骤二:根据车辆排放对大气污染的监测分级标准可得大气污染的现状指标特征值矩阵,参照分级标准确定吸引域Dab,根据Dab得到监测级别h的范围域为Dcd,根据Dab和Dcd确定点值矩阵为M。

1)吸引域为

2)范围域为

3)定点值矩阵为

步骤三:由吸引域和范围域判断监测值落入M点的左侧或右侧,据此选用相对差异函数模型式(2)或式(3)计算差车辆排放对大气污染的异度,再根据模糊集合的余集定义得出指标相对隶属函数式(4),计算指标对各等级标准的相对隶属度矩阵为

步骤四:根据界定车辆排放对大气污染监测指标权重系数中的步骤,计算车辆排放对大气污染监测指标的指标熵值权,车辆排放对大气污染监测值的无量纲矩阵为

利用式(9)、式(10)计算车辆排放对大气污染各监测指标的熵值和权值,得到各监测指标的权重向量为

步骤五:将车辆排放对大气污染监测指标的权重值带入式(11),计算各监测指标对级别h的综合相对隶属度矩阵为

针对车辆排放对大气污染各监测指标对不同风险级别的综合相对隶属度,归一化后得到的结果为

利用级别特征值式(12)可得到此监测值的级别特征值,如表4所示。

分析表4所得数据可知,不同模型参数组合下的级别特征值在区间[2,3]内波动,说明监测结果较稳定,因此,监测时间内监测区域的大气污染监测等级为2级,车辆排放对空气污染不高,属于良好水平。案例采用了模糊可变模型进行车辆排放对大气污染的识别与监测,通过变化模型参数,综合确定样本的监测级别。由于模糊可变模型中参数组合的改变,其模型参数可变,得到多组模型对于车辆排放对大气污染的监测结果,从而提高了结果的稳定性和可靠性。同时通过主客观组合权重的全面考虑,提高对监测样本等监测等级结果的可信度。进一步计算不同监测时段内的大气污染综合监测等级,最后得到不同监测时段、不同参数组合下的大气污染监测等级,如表5所示。

根据监测结果,除了2月13日的大气监测评价等级为三级,属于轻度污染外,其余时间区域内车辆排放对大气污染的监测等级都为二级,车辆排放对大气的污染程度属于良好范围。由于现阶段没有统一区域内的车辆排放水平等级标准,而车辆排放是重要的大气污染源之一,因此,将最终的监测结果与南京市空气质量检测部门发布的空气质量信息进行比较分析。对比表3中的空气质量等级可知,除去2月11日的监测结果与空气质量水平不同,最终监测结果与南京市空气质量检测部门发布的信息基本一致,分析可知:

1)在监测时间段内,监测区域的空气质量水平及车辆排放的监测等级都显示该区域空气质量良好。

2)从监测结果的对比来看,车辆排放对大气污染与空气质量水平既有一定的内在联系又有区别,车辆排放对大气质量影响较大,是大气污染的重要原因之一,因此,减少车辆排放是治理城市大气污染的重中之重。

3)与现阶段普遍使用的空气质量指数(Air Quality Index,简称AQI)相比,车辆排放对大气污染的监测模型将更多的污染项纳入了监测范围,提高了监测模型的全面性,且得到多组监测值,也增加了监测结果的可靠性,验证结果说明了车辆排放对大气污染监测模型的可行性。

图2为不同模型参数组合下的监测等级折线图。由图2可知,监测等级折线图较为平缓,且监测等级均在二级和三级之间,以目前的技术发展水平和规模,该监测区域内车辆排放属于中等水平,对大气污染有一定影响,特别是固体污染物(容易产生雾霾)对环境影响较大。为减少车辆排放对大气污染,提出以下建议:首先,严格执行国家质量技术标准,控制燃油标准;其次,加大车辆审核制度,严格禁止使用汽车尾气排放不合格的车辆,严惩对尾气排放听之任之,甚至拆除治理净化装置;最后,建议使用清洁能源车辆,如电动汽车等。

4.2 南京市某区域车辆排放对大气污染的神经预测模型

根据各监测点的监测数据以及南京市空气质量检测部门发布的研究报告,现阶段该区域最主要的大气污染物为PM2.5、PM10以及总悬浮颗粒物,因此,预测这些主要污染物的浓度对于空气质量的预警具有重要作用。由于汽车尾气排放到大气中污染物在大气中的浓度受天气影响十分巨大,所以本文采用BP神经网络预测模型对一定区域内空气中的污染物浓度进行预测,对样本的采集有一定要求。

本文采用的样本数据为同一区域内连续19d的监测数据,且监测期间天气变化不大,假设次日天气无剧烈变化,则可利用神经网络模块对该区域内第20d空气中的PM2.5浓度、PM10浓度以及总悬浮颗粒物进行预测。由于样本数据较少,因此采用滚动式预测。以预测大气中PM2.5浓度为例:输入向量为连续三天大气中的PM2.5浓度,目标向量为后一天大气中PM2.5浓度,即设定输入层神经元数为3,输出层神经元数为1,经试算:在样本集和各网络参数不变的情况下,隐含层神经元数为10时,神经网络预测均方误差最小。

输入前18d的PM2.5浓度滚动数据训练样本集。训练完成后,再输入前19d的PM2.5浓度滚动数据,从而对第20d大气中PM2.5浓度进行预测。同理,进行大气中PM10浓度以及总悬浮颗粒物的预测,预测结果如表6所示。

μg/m3

预测得到次日PM2.5的24h平均浓度为176μg/m3,PM10的24h平均浓度为168μg/m3,总悬浮颗粒物24h平均浓度为304μg/m3。为进一步分析预测结果,绘制相对预测误差曲线,如图3所示。

通过图3分析可知:

1)从总体方面看,PM2.5浓度、PM10浓度以及总悬浮颗粒物的BP神经网络相对预测误差平均值分别为4.08%、3.24%以及3.60%,与BP神经网络的有效预测量程15%相比,总体预测精度较高。

2)从预测波动看,PM2.5浓度、PM10浓度以及总悬浮颗粒物的BP神经网络预测的最大误差为9.91%、11.54%以及8.30%,波动方差为2.61%、2.80%以及2.04%,波动方差较小,预测过程稳定。因此,无论从预测精度还是预测稳定方面看,预测效果较好,进而表明预测次日的大气污染物浓度数据具有一定可信度,对于大气污染预警具有借鉴意义。目前从大数据的角度研究车辆尾气排放问题,是一个新方向。职能监管部门可通过BP神经网络方法对大数据进行分析,在预测短时间内大气中污染物浓度的变化,进而为新标准的有效执行提供决策依据。

5 结束语